目标检测评价指标（mAP、P-R曲线、IOU）超好理解

一、mAP

真实情况	预测为正	预测为反	recall召回率
正	TP	FN	R = TP / (TP + FN)
反	FP	TN
precision准确率	P = TP / (TP + FP)

如何去理解？

这四个字母看着真头晕，就算看博客当时理解了，过一会儿就忘了，所以决定整理一下，用特殊的方法记住他！

后面的字母P（positive）和N（negative）是针对检测器而言的。检测器认为它是正，则是P，反之则为N。

前面的字母T（true）和F（false）是用来修饰检测器所检测出来的结果。可以把前面的字母当成上帝，它有上帝视角，知道检测器到底预测的对不对。上帝说是T就是你预测对了，是F就是预测错了。

尝试理解

检测器说是P正例，上帝告诉你，你对了，真实情况就是正例，则是TP（上帝说你对T + 检测器认为正）。

检测器说是P正例，但上帝告诉你，你错了，真实情况是反例，则是FP（上帝说你错F + 检测器认为正）。

检测器说是N反例，上帝告诉你，你错了，真实情况是正例，则是FN（上帝说你错F + 检测器认为是反）。

检测器说是N反例，上帝告诉你，你对了，真实情况就是反例，则是TN（上帝说你对T + 检测器认为是反）。

precision准确率（第一列）

检测器认为是正的例子中，有多少是真正的正？
$$P=\frac{TP}{TP+FP}$$

recall召回率（第一行）

所有正例中（真正的正，上帝认为正），检测器预测对了多少？
$$R=\frac{TP}{TP+FN}$$

P-R曲线

此图截自FCOS论文。

由图可知，P-R曲线是以precision为纵坐标、recall为横坐标的二维曲线，称P-R曲线（precision-recall curves）。通过在不同阈值的情况下所对应precision和recall画出此图。

准确率precision和召回率recall是一对相悖的指数，不可能做到两个指数都特别高，一边高另一边指数就低。

P-R曲线所围起来的面积就是AP值，通常来说，一个越好的检测器，AP值越高。而且一般来说，P-R曲线越靠右，包着左边的曲线，则右边这个是更好的检测器。

可以看到图中是class-agnostic P-R曲线，是分类无关曲线。实际情况中，每一类都可以根据自己的precision和recall绘制P-R曲线，而mAP值就是每一类的AP的平均值。

二、IOU（交并比）

IOU即交并比（Intersection-over-Union），目标检测中最常见的一个指标，用于测量预测到的bounding box和实际标注框之间的分数。值得一提的是，最近在学习anchor-free方式的目标检测，IOU在anchor-free中用的较少。

IOU表示所预测的框（bounding box，简称bbox）与原标注框（ground-truth box，简称gt box）的重合率。最理想的情况下是完全重叠，即比值为1.
$$IoU=\frac{Intersection}{Union}$$

参考博客：
https://blog.csdn.net/qq_29893385/article/details/81213377
https://blog.csdn.net/u014203453/article/details/77598997